Nächtliche Selbstverifikation
Erkennungsrate jede Nacht nachgewiesen. Nicht angenommen.
Sanktionslisten können von den ausstellenden Behörden geändert werden.
Die Anforderung
Vollständige Erkennungsrate bei exakten Namen — Pflicht, nicht Zielwert.
Ein Screening-System muss beweisen, dass es funktioniert. Wird eine designierte Person nicht unter ihrem offiziellen Namen gefunden, hat das System versagt.
Bei exakten Namen gibt es keine akzeptable Erkennungsrate unter 100 %. Alles darunter heißt: ein sanktionierter Akteur kann in Ihren Daten stehen und übersehen werden. Die nächtliche Selbstverifikation setzt diese Schwelle automatisch jede Nacht durch.
Testdesign
Zehn Quellen × ca. 22 Sitzungen pro Quelle = ca. 223 Sitzungen pro Nacht.
Jeder Eintrag aus jeder aktiven Quelle wird jede Nacht unter mehreren Bedingungen gegen sich selbst geprüft. Vollständig, keine Stichprobe.
Konfigurationen und Mutationsstufen
Szenarien (progressive Informationsdichte):
- Vollständige Identität (Config A): Name + Entity-Typ + Geburtsdatum + Geburtsort + Staatsangehörigkeit. Basisszenario unter Idealbedingungen.
- Identität ohne Kontext (Config H): Name + Typ + Geburtsdatum. Geburtsort und Staatsangehörigkeit fehlen — ein häufiges Teil-KYC-Szenario.
- Name mit Typ (Config B): Name + Personen-/Firmen-Klassifikation. Der Kunde weiß, ob eine natürliche oder juristische Person geprüft wird, hat aber keine biografischen Daten.
- Nur Name (Config C): Ausschließlich der Name — kein Typ, kein Geburtsdatum, keine Staatsangehörigkeit. Die härteste Praxisbedingung: ein einziger String aus einem Onboarding-Formular. Unser Headline-Szenario.
- Produktionsmodus (Config D): Gleiche Daten wie Vollständige Identität, aber mit den produktiven DOB-Rescue-Schwellenwerten des Live-Screenings. Erfasst Treffer, die der Basisdurchlauf knapp verfehlt hätte.
- Ohne Machine Learning (Config E): Vollständige Daten, aber der ML-Scorer ist deaktiviert. Isoliert die heuristische Bewertungskette — unsere Explainability-Baseline für Audits.
- Quellenübergreifende Validierung (läuft als separate Sitzung, nicht Teil der progressiven Stufen): Prüft die Einträge jeder Quelle gegen alle anderen Quellen gleichzeitig. Testet, ob ein Listeneintrag einer Behörde über den Eintrag einer anderen Behörde für denselben Akteur erkennbar ist.
Mutationsstufen:
- M0 — Unverändert: Originalname, wie er auf der Liste erscheint. Muss vollständige Erkennungsrate erreichen. Jeder Fehlschlag bei M0 ist ein kritischer Fehler.
- M1 — Eine Mutation: Zufälliger Zeichentausch, Auslassung, Einfügung, Ersetzung, Diakritikaänderung oder Transliteration. Modelliert einen einzelnen Transkriptionsfehler oder eine abweichende Schreibweise.
- M2 — Zwei Mutationen: Zwei Mutationen gleichzeitig angewendet. Testet die Degradationskurve — wie schnell die Erkennungsrate fällt, wenn die Eingabequalität sinkt.
- M3 — Name Reorder: Token-Reihenfolge wird umgekehrt oder erste und letzte Token werden vertauscht. Testet die Robustheit bei Umordnung von Namensbestandteilen — eine häufige Variante, wenn Namen kulturelle Konventionen kreuzen (Vorname zuerst vs. Nachname zuerst).
- M4 — Partial Name: Nur das erste oder letzte Token wird beibehalten, simuliert unvollständige Namenseingabe. Testet, ob das System einen Kandidaten noch finden kann, wenn nur ein Fragment des vollständigen Namens vorliegt.
Jede Mutation wird deterministisch geseedet. Jeder False Negative ist rückverfolgbar bis zur exakten Mutation, die ihn verursacht hat.
Was wird gemessen
Fünf Metriken pro Sitzung. Jedes falsch-negative Ergebnis wird analysiert, nicht nur gezählt.
Jede Verifikationssitzung liefert einen strukturierten Datensatz, kein Pass/Fail-Flag. Alle Metriken bleiben für die Trendanalyse erhalten.
Pro Sitzung erfasste Metriken
- Erkennungsrate (Detection Rate): Anteil der Einträge, die in ihren eigenen Screening-Ergebnissen auftauchen. Die zentrale Messgröße. M0-Erkennungsrate muss 100 % betragen. Eine separate Wrong Match Rate (WMR) erfasst, wie oft eine andere Entity auf Platz 1 steht.
- Mittlerer reziproker Rang: An welcher Position erscheint der Eintrag in seinen eigenen fünf besten Ergebnissen? Rang 1 ist ideal. Rang 2 oder niedriger zeigt ein Problem an.
- Bewertungsverteilung: Mittelwert, Median und Perzentile über alle Sitzungen hinweg. Erkennt schleichende Abweichungen — einen allmählichen Bewertungsrückgang, der Erkennungsausfällen vorausgeht.
- Analyse nicht erkannter Einträge: Jeder übersehene Eintrag wird mit der exakten Mutation und dem tatsächlich zurückgegebenen besten Ergebnis protokolliert. Macht Fehlermuster sichtbar und nachvollziehbar.
- Wilson-Konfidenzintervalle: Statistische Grenzen für die True Positive Rate bei 95 % Konfidenz. Verhindert überhöhte Zuverlässigkeitsangaben bei kleinen Quellengrößen.
Die Ergebnisse werden nach jedem nächtlichen Zyklus als strukturierter XLSX-Bericht exportiert.
Was die Ergebnisse bedeuten
M0 vollständig, M1 über 99,99 %, M2 über 99,7 % — und der Bericht zeigt exakt, was nicht erkannt wird.
M0 — Exakter Name (100,0 %): Jeder Eintrag aus jeder Quelle ist unter seinem offiziellen Namen auffindbar, jede Nacht. Jeder Fehlschlag bei M0 ist ein kritischer Fehler und löst sofort einen Alarm aus.
M1 — Eine Mutation (>99,99 %): Ein einzelner Zeichenfehler — Tippfehler, Vertauschung oder phonetische Variante. Beispiel: Sergei Ivanov → Sergei Ivanvo (zwei benachbarte Zeichen vertauscht). Erkannt zählt jeder Treffer in der Ergebnisliste, nicht nur auf Platz 1. Die wenigen Fehlschläge betreffen ultrakurze Kennungen (2–3-Zeichen-Schiffscodes, Wallet-Adressen), bei denen eine einzige Mutation den größten Teil des Namens zerstört.
M2 — Zwei Mutationen (>99,7 %): Zwei gleichzeitige Fehler verstärken sich. Beispiel: Hassan Nasrallah → Hassam Nasralah (Nachbartaste + gelöschtes Zeichen). Die verbleibenden Fehlschläge sitzen in kurzen Kennungen, bei denen zwei Mutationen zu wenig Struktur für eine Wiedererkennung übrig lassen.
Lade aktuelle Ergebnisse…
Sanktionsprüfung — für Audits gebaut.
Kostenlos nutzbar: alle offiziellen Quellen, der vollständige Prüfprozess und revisionssichere Exporte.
Anmelden / Registrieren